PENERAPAN SISTEM PEMERIKSA LJK OTOMATIS UNTUK MENINGKATKAN EFISIENSI PENILAIAN UJIAN DI SMP NEGERI 1 DARANGDAN
Abstract
Pemeriksaan Lembar Jawaban Komputer (LJK) secara manual di institusi pendidikan seringkali memakan waktu, rawan human error, dan sulit dianalisis secara statistik. Pengabdian ini bertujuan mengimplementasikan Sistem Pemeriksaan LJK Otomatis berbasis Computer Vision guna meningkatkan efisiensi dan akurasi evaluasi hasil belajar siswa. Metode pelaksanaan dilakukan melalui pengembangan perangkat lunak menggunakan pendekatan Optical Mark Recognition (OMR) dengan library OpenCV serta arsitektur three-tier offline berbasis FastAPI dan Next.js yang disesuaikan dengan infrastruktur sekolah. Hasil kegiatan menunjukkan bahwa sistem mampu memangkas waktu pemeriksaan dari rata-rata 3 jam menjadi kurang dari satu menit per kelas dengan tingkat akurasi deteksi mencapai 97,2%. Selain efisiensi waktu, sistem ini menghasilkan digitalisasi nilai dan analisis butir soal secara otomatis, sehingga mendukung para guru dalam melakukan evaluasi pembelajaran yang lebih cepat, akurat, dan berbasis data
References
Afifi, M., & Hussain, K.F. (2019). The achievement of higher flexibility in multiple-choice-based tests using image classification techniques. IJDAR, 22, 127–142. https://doi.org/10.1007/s10032-019-00322-3
Ali, M., Hammoud, S., & Esper, A. (2025). Optical Mark Recognition Techniques for Multiple-Choice Tests: A Comprehensive Review. IEEE Access, 13, 156407-156423. https://doi.org/10.1109/ACCESS.2025.3600106
Arifin, Zainal. (2014). Evaluasi Pembelajaran: Prinsip, Teknik, dan Prosedur. Bandung: Remaja Rosdakarya. https://perpustakaan.iaiskjmalang.ac.id/wp-content/uploads/2023/11/20.-Evaluasi-Pembelajaran.pdf
Hermawan, M. N., Maulidiansyah, M., & Sudriyanto, S. (2021). Deteksi Lembar Jawaban Komputer Menggunakan OMR (Optical Mark Recognition) Di MTS Nurul Iman. JATISI (Jurnal Teknik Informatika dan Sistem Informasi), 8(3), 1361–1372. https://doi.org/10.35957/jatisi.v8i3.1078
Nath, A., Nath, A., & Omotayo, B. J. (2025). A Web-Based Automated OMR Evaluation System Using YOLO and Image Processing Techniques. International Journal of Engineering Research & Technology, 14(12). https://doi.org/10.17577/IJERTV14IS120698
Pratama, M. R., & Hanif, I. F. (2023). Implementasi Metode Canny dalam Deteksi Tepi pada Aplikasi OMR (Optical Mark Recognition) Menggunakan Pengembangan Sistem Waterfall. Edunity: Kajian Ilmu Sosial dan Pendidikan, 2(2), 262–278. https://doi.org/10.57096/edunity.v2i2.60
Rajagopal, R. D., & Saha, B. (2024, July). Optical mark recognition (OMR) automated grading using OpenCV. In AIP Conference Proceedings (Vol. 3075, No. 1, p. 020200). AIP Publishing LLC. https://doi.org/10.1063/5.0219019
Rasiq, G. M. R. I., Al Sefat, A., & Hasnain, M. M. F. (2019). Mobile-based MCQ Answer Sheet Analysis and Evaluation Application. 2019 8th International Conference System Modeling and Advancement in Research Trends (SMART), Moradabad, India, 144-147. https://doi.org/10.1109/smart46866.2019.9117468
Raundale, P., Sharma, T., Jadhav, S., & Margaye, R. (2019). Optical Mark Recognition using OpenCV. International Journal of Computer Applications, 178(37), 28–32. https://doi.org/10.5120/ijca2019919093
Ravindra, S., et al. (2025). Design and Implementation of an Automated OMR Analyser Using ML and Image Processing. International Journal for Research in Applied Science and Engineering Technology, 13(12), 1216–1223. https://doi.org/10.22214/ijraset.2025.76285
Szeliski, Richard. (2010). Computer Vision: Algorithms and Applications. London: Springer-Verlag. https://doi.org/10.1007/978-3-030-34372-9
